Sep, 2016

随机森林与神经网络 —— 哪个更适合相机定位？

PDF
TL;DR本研究提出了一种名为 ForestNet 的方法，将 Random Forests 与 Neural Networks 结合起来，提高了相机定位的准确性。
camera localizationregressionrandom forestsneural networksforestnet
发现论文，激发创造
  • 精准摄像机定位的回溯回归森林

    本文提出了一种基于随机森林的相机定位方法，通过采用样本平衡策略和修正不正确的 2D-3D 对应关系，可以在室内和户外的 RGB 应用场景中实现相对准确的定位效果。

    Oct, 2017

  • 在线相机重定位的回归森林即时自适应

    本文介绍了一种基于回归树的摄像头位姿跟踪方法，该方法可以快速适应新环境，并达到与离线方法相当的位姿跟踪效果，适用于需要在线位姿跟踪的实时系统。

    Feb, 2017

  • 基于图像的定位的全幅场景坐标回归

    采用全帧方式进行场景坐标回归可以在测试时间内提高计算效率并增加回归过程的全局上下文以提高稳健性，而数据增强则有助于减轻过度拟合问题，从而提高基于图像识别的定位场景坐标预测的鲁棒性。

    Feb, 2018

  • 学习少即是多 - 通过三维表面回归实现六自由度相机定位

    本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何，甚至在没有利用场景 3D 模型的情况下，也能比现有技术更优秀。

    Nov, 2017

  • 将其上线：将场景坐标回归网络预测应用于在线 RGB-D 相机重定位

    本研究提出了一种新的方法来利用在一个场景中训练的神经网络来预测另一个场景中的点，以实现相机在线定位，并在 7-Scenes 和 Cambridge Landmarks 数据集上实现了最先进的性能，运行时间低于 300 毫秒。

    Jun, 2019

  • 使用重新本地化级联实时估计新场景中的 RGB-D 摄像机姿态

    本文提出了一种改进的方法来解决摄像机位姿估计问题，利用回归森林对场景中的关键点进行对应，采用几何方法评分并选择最有前途的假设，使用多个快速但不精确的重新定位器级联，调整参数以实现有效的性能，实现了重定位性能的显着提升。

    Oct, 2018

  • 神经随机森林

    将随机回归树方法改成了一个新的神经网络模型，称为神经随机森林。 基于随机回归树的架构利用了先验知识并具有更少的参数，较少的限制设计决策路径和优秀的表现使得方法可用于多样的预测问题。

    Apr, 2016

  • 视觉定位的分层场景坐标分类和回归

    本研究提出了一种新的基于层次场景坐标网络的方法，用于从单个 RGB 图像中逐步预测像素场景坐标，并在单幅图像中取得了新的最佳单色彩 RGB 定位性能，同时也减小了性能差距。

    Sep, 2019

  • 利用回归森林中的点和线进行 RGB-D 相机定位

    本文提出了一种基于不确定性驱动回归森林的方法，通过联合使用点和线特征，对相机重定位进行优化，实验结果表明，本文提出的方法在几个指标上优于现有的基准方法。

    Oct, 2017

  • 图卷积神经网络变体的比较评估中，重新审视随机森林用于交通预测

    本研究比较了图卷积神经网络与随机森林等传统方法在交通预测中的表现，发现采用矩阵分解、注意力机制和位置特定的模型权重等技术可以提高图卷积神经网络的预测精度，但随机森林可以匹敌或超越图卷积神经网络的表现，因此目前的图卷积方法可能不是最佳的交通预测方法。

    May, 2023